当无拒绝学习在带拒绝回归中是一致的
机器学习
2024-04-23 v4
摘要
带拒绝的学习一直是研究预测任务中人机交互的典型模型。当样本实例到来时，模型首先使用拒绝器决定是否接受并采用 AI 预测器进行预测，或拒绝并将样本交由人类处理。学习此类模型改变了原始损失函数的结构，并常导致不良的非凸性与不一致问题。对于带拒绝的分类问题，若干工作开发了用于预测器与拒绝器联合学习的一致替代损失，而针对回归对应问题的研究较少。本文研究带拒绝回归（RwR）问题，并探讨一种使用全部数据学习预测器的无拒绝学习策略。我们首先在弱可实现性条件下建立该策略的一致性。然后对于无弱可实现性的情形，我们证明过量风险也可由两部分之和上界控制：预测误差与校准误差。最后，我们以经验证据展示该学习策略的优势。
引用
@article{arxiv.2307.02932,
title = {When No-Rejection Learning is Consistent for Regression with Rejection},
author = {Xiaocheng Li and Shang Liu and Chunlin Sun and Hanzhao Wang},
journal= {arXiv preprint arXiv:2307.02932},
year = {2024}
}